欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023116747998
申请人: 昆明理工大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种多视图图神经网络社区问答专家推荐方法,其特征在于:所述方法的具体步骤如下:Step1、专家历史问题集无向图矩阵构建:将问题作为节点,同一个专家回答过的问题之间建立一条边,然后形成一个专家历史问题集无向图矩阵;

Step2、数据的向量化表示:分别将目标问题信息矩阵和专家历史问题集无向图矩阵放入问题文本编码器中,用transformer进行信息提取,生成目标问题向量和专家历史问题向量;

Step3、使用图表示进行学习生成多视图数据矩阵:将专家历史问题向量进行图表示学习,获得标签、标题、正文的三个视图表示;

Step4、使用多视图注意力机制学习候选专家向量:每个专家对问题的偏好不一样,有各自的侧重,将标签、标题、正文的三个视图表示与注意力机制相结合,学习出,专家历史问题集中与目标问题相关的部分,最终形成候选专家向量;

Step5、预测:在步骤Step2、Step4的基础上,将目标问题向量和候选专家向量拼接后进行打分预测,得分高的成为该目标问题的候选专家,实现多视图图神经网络的社区问答专家推荐。

2.根据权利要求1所述的多视图图神经网络社区问答专家推荐方法,其特征在于:所述Step2中包括:对于给定问题的第i个标签 使用标签嵌入层将其转换的结果为 给定问题包括目标问题和专家历史问题;之后,由于标签是独立的分类特征,利用密集层来学习标签隐藏特征,表示为:表示密集层的偏差;

然后,堆叠所有标签隐藏特征,并通过平均聚合器聚合所有标签隐藏特征,计算如下:v表示标签隐藏特征的长度;

对于长文本信息,则在嵌入之后,使用transformer来进行信息提取正文文本特征,表示为:l表示正文文本特征的长度;

t

对于标题信息,则在嵌入之后,使用transformer来进行信息提取标题特征,表示为E;

通过上述过程,得到目标问题向量和专家历史问题向量,目标问题向量包括目标问题的标签隐藏特征、标题特征、正文文本特征,专家历史问题向量包括专家历史问题的标签隐藏特征、标题特征、正文文本特征。

3.根据权利要求2所述的多视图图神经网络社区问答专家推荐方法,其特征在于:所述Step3中包括:g b t g g t b

Step3.1、使用均值聚合器对E 、E 、E 进行聚合处理,得到O=MEAN(E),同理可得O,O ,既标签、标题、正文的视图信息矩阵;MEAN(.)表示进行均值聚合处理;

g t b

Step3.2、将三个视图信息矩阵即O ,O ,O 输入到图神经网络GraphSAGE中,使用GraphSAGE对节点进行一阶邻居和二阶邻居的信息提取,公式如下所示:G

最终形成标签、标题、正文的视图表示 和 W 是投影矩阵,n表示采样节点数,输入是两跳邻居fi和一跳邻居fs的特征嵌入组合。

4.根据权利要求1所述的多视图图神经网络社区问答专家推荐方法,其特征在于:所述Step4包括:Step4.1、根据候选专家的多视图特征,即 和 分别是标签视图、标题视图、正文视图,计算专家用户在标签视图注意力下的权重如下:g t b

其中,l,l,l分别表示标签视图、标题视图、正文视图的注意力得分;

对于标题和正文视图特征,用同样的方法分别将它们的权重计算为 和从而通过三种视图的互动注意力机制来捕捉候选专家与目标问题之间的视图内相关性;

然后,根据不同的视图特征的不同权重进行聚合,得到候选专家向量u:分别是专家用户在标签视图、标题视图、正文视图的注意力权重是,专家用户在标签、标题和正文上的知识能力程度。

5.根据权利要求2所述的多视图图神经网络社区问答专家推荐方法,其特征在于:所述Step5包括:首先将候选专家向量u和目标问题向量q进行拼接,然后利用线性层来计算它们之间的相关性得分Sc,具有最高相关性得分的候选专家推荐为目标问题的专家。